Deep-learning gebaseerde voorspelling van woningbouwkenmerken voor woningwoningbeoordeling

Samenvatting

Dit protocol beschrijft een meta-ensemble deep learning-workflow voor geautomatiseerde analyse van woningplattegrondafbeeldingen. De procedure omvat dataset-preprocessing, voorspelling van architecturale attributen met behulp van meerdere convolutionele neurale netwerken, stacking-based ensemble learning, regelgebaseerde residentiële classificatie en verklaarbaarheidsanalyse met SHapley Additive exPlanations ter ondersteuning van residentiële indelingsbeoordeling.

Samenvatting

De groeiende vraag naar slimme woningoplossingen voor vergrijzende bevolkingen heeft de behoefte aan geautomatiseerde methoden voor de analyse van woningplattegronden vergroot. Conventionele architectonische evaluatiemethoden zijn vaak handmatig, tijdrovend en moeilijk op te schalen, wat de noodzaak benadrukt van op kunstmatige intelligentie gebaseerde technieken die ruimtelijke indelingen kunnen interpreteren en residentiële ontwerpbeoordeling kunnen ondersteunen. Dit protocol beschrijft een meta-ensemble deep learning-framework voor geautomatiseerde analyse van woningplattegrondafbeeldingen. Het voorgestelde CARE-MIRV-Net-framework integreert vier complementaire convolutionele neurale netwerken—MobileNetV2, InceptionV3, ResNet101 en VGG16—om architectonische eigenschappen te voorspellen, waaronder vierkante meters, aantal slaapkamers, badkamers en garages. Voorspellingen van de basismodellen worden gecombineerd via een stapelgebaseerd meta-ensemblemodel en vervolgens gebruikt binnen een regelgebaseerde beslissingslaag om residentiële indelingen te categoriseren als ouderenzorg, medische zorg of algemeen residentieel. Experimentele evaluatie toonde robuuste voorspellende prestaties aan over meerdere doelvariabelen. Het voorgestelde model behaalde een gemiddelde absolute fout (MAE) van 432,48 en een bepalingscoëfficiënt (R²) van 0,7053 voor de voorspelling van vierkante meters. Voor badkamervoorspelling behaalde het kader R² van 0,7605, terwijl de garagevoorspelling de laagste MAE van 0,1697 en de hoogste R² van 0,6958 opleverde. Kwalitatieve analyses toonden verder aan dat het raamwerk architecturale attributen voorspelt en applicatiegerichte residentiële indelingsbeoordeling ondersteunt. Om transparantie en interpreteerbaarheid te vergroten, werden SHapley Additive explanations toegevoegd om de bijdrage van elk basismodel aan de uiteindelijke voorspellingen te kwantificeren. Het voorgestelde kader biedt een interpreteerbare en schaalbare aanpak voor analyse en besluitvorming bij residentiële plattegronden.

Inleiding

De snelle ontwikkeling van slimme stadtechnologieën en slimme leefomgevingen heeft geleid tot een groeiende vraag naar geautomatiseerde en datagedreven oplossingen in residentieel ontwerp. In het bijzonder hebben de toenemende vergrijzende bevolking en de vraag naar zorggerichte woningen het belang van het ontwerpen van woonruimtes verhoogd die zowel functioneel zijn als afgestemd op de behoeften van specifieke gebruikersgroepen ^1,2. Conventionele methoden voor het analyseren van architectonische plattegronden zijn vaak handmatig, tijdrovend en afhankelijk van deskundige interpretatie; daarom zijn ze inefficiënt en moeilijk op te schalen. Dit heeft een sterke behoefte gecreëerd aan intelligente systemen die automatisch residentiële indelingen kunnen analyseren en geïnformeerde besluitvorming ondersteunen³.

Recente ontwikkelingen in kunstmatige intelligentie (AI), met name in deep learning (DL) en computer vision, hebben de analyse van beeldgebaseerde data aanzienlijk verbeterd. Convolutionele neurale netwerken (CNN's) zijn zeer effectief gebleken voor ruimtelijke feature-extractie en het leren van complexe visuele patronen, waardoor ze geschikt zijn voor vloerplattegrond-beeldanalyse ^4,5,6. Deze modellen kunnen impliciete representaties leren van kamerstructuren, indelingsorganisatie en ruimtelijke relaties die essentieel zijn voor het voorspellen van architectonische attributen ^7,8. Echter, het vertrouwen op één DL-model kan generalisatie beperken omdat verschillende architecturen zich kunnen richten op verschillende ruimtelijke kenmerken en biases vertonen die voortkomen uit architecturale variabiliteit⁹. Ondanks deze vooruitgang missen bestaande benaderingen vaak een geïntegreerd framework dat meerdere modellen combineert, multioutput-voorspelling ondersteunt en interpreteerbaarheid op applicatieniveau biedt. Bovendien hebben zorggerichte residentiële beoordeling en verklaarbaarheid relatief beperkte aandacht gekregen binnen vloerplananalysesystemen. Het ontbreken van dergelijke uitgebreide kaders beperkt de praktische toepasbaarheid en interpreteerbaarheid, vooral in domeinen waar transparantie en besluitvormingsondersteuning belangrijk zijn 10,11,12.

AI heeft ook aanzienlijk bijgedragen aan de geautomatiseerde analyse en generatie van architectonische plattegronden. Een studie onderzocht het gebruik van machine learning (ML) om tweedimensionale plattegrondafbeeldingen om te zetten in driedimensionale modellen¹³. De auteurs benadrukten de beperkingen van conventionele computerondersteunde ontwerpmethoden (CAD) en benadrukten het belang van schaalbare, op AI gebaseerde pijplijnen voor ruimtelijk begrip. Hun bevindingen toonden aan dat DL effectief structurele informatie uit plattegronden kan extraheren, hoewel er uitdagingen blijven bestaan op het gebied van generalisatie en datavariabiliteit. Een andere studie stelde een multiagent deep reinforcement learning-framework voor voor geautomatiseerde plattegrondgeneratie¹⁴. Hoewel de aanpak aanzienlijke flexibiliteit en maatwerk biedt voor architectonisch ontwerp, richt deze zich voornamelijk op ontwerpgeneratie in plaats van voorspellende analyse van bestaande plattegronden.

Een uitgebreide vloerplan-opsporingssurvey onderzocht semantische, ruimtelijke, vormgebaseerde en textuurgebaseerde kenmerken voor het begrijpen van de vloerplattegrond¹⁵. De enquête benadrukte het belang van DL-modellen, waaronder CNN's en transformer-gebaseerde architecturen, voor het leren van betekenisvolle representaties. Echter, het identificeerde ook uitdagingen gerelateerd aan ruis, vervorming en feature-discriminatie in complexe lay-outs. Evenzo nam een ML-gebaseerde benadering topologische en visuele relaties over voor vloerplattegrondherkenning⁸. De studie toonde aan dat visuele toegankelijkheid en ruimtelijke connectiviteit belangrijk zijn voor het begrijpen van architecturale indelingen, maar behandelde geen multioutputvoorspelling of ensemble-learning strategieën. Generatieve AI is ook onderzocht in architecturale toepassingen. Een overzicht van generatieve AI in architectuur onderzocht het gebruik van generatieve adversariële netwerken (GAN's), variatie-autoencoders (VAE's) en diffusiemodellen voor ontwerpautomatisering¹⁶. De auteurs benadrukten de toenemende adoptie van AI-tools in praktische architectuurworkflows. De focus van dat werk lag echter op ontwerpgeneratie in plaats van voorspellende modellering of beslissingsondersteunende toepassingen. Verklaarbare AI is steeds belangrijker geworden voor het interpreteren van DL-modellen. Een studie stelde een SHapley Additive exPlanations (SHAP)-gebaseerd kader voor voor het interpreteren van DL-modellen in stedelijke simulatietoepassingen¹⁷. De resultaten toonden aan dat SHAP invloedrijke kenmerken kan identificeren en de interpreteerbaarheid op zowel globaal als lokaal niveau kan verbeteren. Hoewel de studie de waarde van SHAP in ruimtelijke toepassingen ondersteunt, onderzocht het niet de integratie ervan met ensemble-learning frameworks. Recente ontwikkelingen in downloadarchitecturen hebben de prestaties bij beeldgebaseerde taken verder verbeterd. Een studie presenteerde een uitgebreide review van hedendaagse DL-modellen, waaronder CNN- en transformer-gebaseerde architecturen¹⁸. De studie benadrukte het belang van modelselectie en hybride architecturen voor het verbeteren van de generalisatieprestaties. Het behandelde echter niet specifiek toepassingen voor vloerplattegrondanalyse. Grootschalige datasets hebben ook vooruitgang in architectuuranalyse mogelijk gemaakt. Zo introduceerde een studie een benchmarkdataset met duizenden complexe plattegronden¹⁹. De studie toonde aan dat bestaande modellen nog steeds uitdagingen ondervinden bij het analyseren van grootschalige en meervoudige appartementen, wat de noodzaak benadrukte van robuustere en generaliseerbaardere benaderingen.

DL is ook uitgebreid bestudeerd in ensemble learning. Een recente studie naar deep ensemble-methoden gaf aan dat het combineren van meerdere modellen de voorspellende nauwkeurigheid en robuustheid aanzienlijk kan verbeteren door bias en variantie^te verminderen. Ondanks hun effectiviteit zijn deze methoden niet breed toegepast bij de analyse van architecturale plattegronden, vooral niet bij multioutput regressietaken. Bovendien hebben recente studies in geautomatiseerde plattegrondanalyse het belang benadrukt van geïntegreerde kaders die voorspelling, classificatie en interpreteerbaarheid combineren 21,22,23. Bestaand onderzoek richt zich doorgaans op individuele functies, zoals feature-extractie, lay-outgeneratie of classificatie. Daardoor blijft er een duidelijke onderzoeksleemte bestaan in de ontwikkeling van een uniform kader dat multimodel leren, residentiële indelingsbeoordeling en verklaarbare AI integreert. Hoewel er aanzienlijke vooruitgang is geboekt in DL- en architectuuranalyse, blijven er verschillende onderzoekslacunes bestaan. De meeste bestaande studies richten zich op het herkennen van plattegronden, het extraheren van kenmerken of het genereren van lay-outs, zonder een uniform kader te bieden dat zowel multioutput-voorspelling als besluitvorming op applicatieniveau ondersteunt. Daarnaast vertrouwen veel benaderingen op één DL-model, wat hun vermogen om diverse ruimtelijke kenmerken vast te leggen kan beperken en modelspecifieke biases kan introduceren. Ensemble learning voor vloerplananalyse is nog relatief onderbelicht, vooral met betrekking tot de integratie van heterogene modellen om de robuustheid te verbeteren. Bovendien is er beperkte aandacht besteed aan residentiële classificatie, met nadruk op ouderengerichte huisvestingsoverwegingen en interpreteerbaarheid. Aangezien veel DL-modellen functioneren als black boxes, blijft het een uitdaging om de basis van hun voorspellingen te begrijpen. Deze beperkingen benadrukken de noodzaak van een uitgebreid kader dat multimodel leren, nauwkeurige voorspelling, toepassingsgerichte residentiële classificatie en verklaarbare AI integreert.

Deze studie presenteert een geautomatiseerd kader voor de analyse van plattegrondafbeeldingen van woningen, met nadruk op ruimtelijk bewustzijn en beoordeling van woningindeling, om deze uitdagingen aan te pakken. Het voorgestelde framework introduceert een meta-ensemble DL-model, CARE-MIRV-Net, dat vier complementaire CNN's integreert—MobileNetV2, InceptionV3, ResNet101 en VGG16—binnen een stapelarchitectuur ^24,25,26,27. Elk model voorspelt onafhankelijk belangrijke architectonische eigenschappen, waaronder vierkante meters, aantal slaapkamers, badkamers en garages. Deze voorspellingen worden vervolgens gecombineerd door een meta-learner om verfijnde voorspellingen te genereren. Daarnaast wordt een op regels gebaseerde beslissingslaag gebruikt om residentiële indelingen te categoriseren als ouderenzorg, medische zorg of algemene residentiële voorzieningen op basis van de voorspelde eigenschappen.

De bijdragen van dit werk zijn als volgt. Ten eerste wordt een meta-ensemble DL-framework voorgesteld voor de multioutput-voorspelling van architectonische attributen uit woningplattegrondafbeeldingen. Ten tweede integreert het CARE-MIRV-Net model vier CNN-architecturen om de voorspellingsnauwkeurigheid en generalisatie te verbeteren. Ten derde is er een regelgebaseerde beslissingslaag geïntegreerd om applicatiegerichte woningindelingen te ondersteunen op basis van voorspelde architecturale attributen. Ten vierde is SHAP-gebaseerde verklaarbare AI geïntegreerd om de transparantie en interpreteerbaarheid van modellen te verbeteren. Ten slotte worden uitgebreide experimenten uitgevoerd om het voorgestelde kader te evalueren met behulp van gemiddelde absolute fout (MAE) en de determinatiecoëfficiënt (R²) als prestatiemaatstaven.

Protocol

Deze studie maakte gebruik van een openbaar beschikbare dataset van het Kaggle-platform (Floor Plan Images and Their Details, beschikbaar op: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details; geraadpleegd op 16 april 2026). Het betrof geen menselijke deelnemers, dieren of persoonlijk identificeerbare gegevens; Daarom waren ethische goedkeuring en geïnformeerde toestemming niet vereist.

Dit protocol biedt een AI-gedreven kader voor geautomatiseerde analyse van woningplattegrondafbeeldingen, met een focus op ruimtelijk bewust en zorggericht ontwerp. De volledige experimentele workflow wordt weergegeven in Figuur 1. Het protocol is ontworpen om de kloof te overbruggen tussen laag-niveau architectuur-feature-voorspelling en high-level applicatiegerichte besluitvorming. Het integreert DL, ensemblemodellering en verklaarbare AI om een nauwkeurige, robuuste en interpreteerbare oplossing te bieden voor het analyseren van residentiële indelingen. Het framework bestaat uit meerdere fasen, beginnend met gegevensverzameling en voorverwerking, gevolgd door feature learning met behulp van diepe CNN's, meta-ensemble voorspelling en tenslotte classificatie op applicatieniveau. Aanvankelijk worden plattegrondafbeeldingen en hun bijbehorende architectonische attributen vooraf verwerkt door groottevergroting, normalisatie en data-augmentatie om consistentie te waarborgen en generalisatie te verbeteren. Alle plattegrondafbeeldingen werden verkleind naar 224 × 224 pixels en genormaliseerd naar het bereik [0, 1]. Tijdens de training werd data-augmentatie toegepast met willekeurige horizontale flipping, rotatie, zoomen en breedte-/hoogteverschuiving om de generalisatie van het model te verbeteren en overfitting te verminderen. Er werd geen verticale flipping toegepast. Volledige augmentatieparameters en implementatiedetails worden verstrekt in Aanvullend Bestand 1. De verwerkte gegevens werden vervolgens gebruikt om meerdere DL-modellen te trainen voor feature-extractie en -voorspelling. Alle basismodellen en de CARE-MIRV-Net meta-learner zijn getraind met een consistente configuratie, waaronder data-augmentatie, vroegtijdig stoppen en adaptieve leersnelheidsplanning. Vroegtijdig stoppen monitorde validatieverlies (val_loss) met een geduldwaarde van 5 epochs, en de beste modelgewichten werden automatisch hersteld na training. Adaptieve leersnelheidsplanning werd geïmplementeerd met behulp van de ReduceLROnPlateau callback, die validatieverlies monitorde en de leersnelheid met een factor 0,3 verlaagde na 2 epochs zonder verbetering, met een minimale leersnelheid van 1 × 10⁻⁷. Volledige implementatiedetails en parameterinstellingen worden verstrekt in Supplementair Bestand 1. De dataset werd willekeurig verdeeld in trainings- en testsets met een 80:20 splitsingsverhouding. Een vaste willekeurige seed (42) werd gebruikt om reproduceerbaarheid te waarborgen. Volledige implementatiedetails worden verstrekt in Supplementair Bestand 1.

Figuur 1. Workflow van het CARE-MIRV-Net framework voor residentiële plattegrondanalyse. Schematisch overzicht van het voorgestelde protocol. De workflow omvat (1) dataset-acquisitie en -preprocessing, (2) feature learning en voorspelling met MobileNetV2, InceptionV3, ResNet101 en VGG16, (3) stacking-gebaseerde meta-ensemble voorspelling met CARE-MIRV-Net, (4) regelgebaseerde residentiële lay-outclassificatie, (5) SHapley Additive exPlanations (SHAP)-gebaseerde interpreteerbaarheidsanalyse, en (6) prestatie-evaluatie. Klik hier om een grotere versie van deze figuur te bekijken.

In de tweede fase worden vier voorgetrainde CNN's, MobileNetV2, InceptionV3, ResNet101 en VGG16, ingezet als basisleerlingen. Elk model wordt verfijnd met behulp van transfer learning om belangrijke architectonische kenmerken te voorspellen, waaronder vierkante meters, aantal slaapkamers, badkamers en garages. Voor elk transfer-learning model werden de onderste voorgetrainde lagen bevroren gehouden, terwijl de bovenste lagen en de aangepaste regressiekop tijdens de training werden verfijnd. Gedetailleerde modelspecifieke fine-tuning configuraties zijn te vinden in Supplementair Bestand 1. Deze modellen leggen verschillende aspecten van ruimtelijke informatie vast: MobileNetV2 biedt efficiënte feature-extractie, InceptionV3 vangt multiscale ruimtelijke patronen vast, ResNet101 leert diepe hiërarchische representaties, en VGG16 zorgt voor stabiel en consistent feature learning. De diversiteit tussen deze modellen versterkt de algehele representatiecapaciteit van het kader.

Om de nauwkeurigheid en robuustheid van voorspelling verder te vergroten, wordt een op stapeling gebaseerd meta-ensemblemodel voorgesteld, aangeduid als CARE-MIRV-Net. In deze stap worden voorspellingen van alle basismodellen samengevoegd om een hoger-dimensionale featureruimte te creëren, die wordt ingevoerd aan een meta-learner. Voorspellingen van het basismodel worden eerst onafhankelijk gegenereerd met behulp van de getrainde modellen MobileNetV2, InceptionV3, ResNet101 en VGG16. Deze voorspellingen worden vervolgens samengevoegd om de meta-featurevector te vormen die door de meta-learner wordt gebruikt. Om datalekken te voorkomen worden de trainings- en testdatasets strikt gescheiden en wordt de meta-leerling alleen getraind op voorspellingen die uit de trainingsdata worden gegenereerd. Het metamodel, dat een volledig verbonden neuraal netwerk is, wordt getraind om de optimale combinatie van basismodel-uitgangen te leren om verfijnde voorspellingen te maken. Het metamodel bestaat uit twee volledig verbonden lagen met 512 en 256 neuronen die ReLU-activatie gebruiken, gevolgd door dropout-lagen (0,4 en 0,3) en een lineaire outputlaag. Het model wordt getraind met de Adam-optimizer (leersnelheid = 0,0001), een batchgrootte van 32 en tot 15 epochs. Vroegtijdig stoppen werd geïmplementeerd door validatieverlies (val_loss) te monitoren met een geduldwaarde van 5 epochs. Het minimale verbeteringscriterium (min_delta) werd ingesteld op de TensorFlow-standaardwaarde van 0, en de beste modelgewichten werden automatisch hersteld na training. Adaptive learning-rate scheduling werd geïmplementeerd met behulp van de ReduceLROnPlateau callback, die validatieverlies monitorde en de leersnelheid met een factor 0,3 verlaagde na twee opeenvolgende epochs zonder verbetering. De minimale leersnelheid werd ingesteld op 1 × 10⁻⁷, en de cooldown-parameter gebruikte de standaard TensorFlow-waarde van 0. Deze ensemblemethode vermindert individuele modelbiases en verbetert generalisatie door de complementaire sterke punten van meerdere architecturen. Gedetailleerde implementatie-informatie wordt verstrekt in Aanvullend Bestand 1.

Na de voorspelling wordt een interpretatielaag toegevoegd om de numerieke uitvoer om te zetten naar beslissingen op applicatieniveau. Residentiële indelingen kunnen worden ingedeeld in drie klassen op basis van voorspellingen van architectonische kenmerken: ouderenzorg, gezondheidszorg-geïntegreerde (medische zorg) en algemeen residentieel gebruik. Deze classificatie wordt uitgevoerd met behulp van vooraf gedefinieerde, drempelgebaseerde beslissingsregels op basis van de voorspelde vierkante meters, het aantal slaapkamers en het aantal badkamers. De categorie met de hoogste score wordt als definitieve classificatie toegekend, terwijl gelijke standen worden beslist door de categorie te kiezen die aan het grootste aantal beslissingscriteria voldoet. De volledige scoreregels en classificatiedrempels worden verstrekt in Aanvullend Bestand 2 (Algoritme 1). Deze actie stelt het kader in staat praktische informatie te bieden voor het ontwerp van woningen.

Het framework gebruikt uitlegbare AI met SHAP om transparantie en interpreteerbaarheid te bieden. Deze component onderzoekt de bijdrage van de voorspellingen van elk basismodel aan de output van het metamodel. SHAP-analyse werd uitgevoerd met SHAP KernelExplainer (SHAP versie 0.51.0) met 100 willekeurig geselecteerde trainingsmonsters als achtergronddataset en 50 testmonsters voor het genereren van uitleg. De volledige SHAP-configuratie, inclusief achtergrondvoorbeeldselectie en implementatieinstellingen, wordt verstrekt in Supplementair Bestand 1. De uitlegbaarheidslaag helpt het besluitvormingsproces te begrijpen door het belang van kenmerken te meten en bijdragepatronen te tonen, waardoor de transparantie en betrouwbaarheid van het model verbeteren. Het voorgestelde raamwerk wordt geëvalueerd met behulp van MAE en R² over alle doelvariabelen. Voor multioutput-voorspelling werd MAE berekend als het gemiddelde absolute verschil tussen de werkelijke en voorspelde waarden over alle doelvariabelen, terwijl R² werd berekend door de verklaarde variantie van de voorspellingen te vergelijken met de overeenkomstige grondwaarheidswaarden voor elke output. De kwantitatieve en kwalitatieve analyses geven aan dat het voorgestelde CARE-MIRV-Net de voorspellingsnauwkeurigheid verbetert en regelgebaseerde classificatie van woonindeling ondersteunt. De betrouwbaarheid van classificaties werd beoordeeld op basis van de nauwkeurigheid van de onderliggende regressievoorspellingen en de consistentie van de regelgebaseerde beslissingslaag. Het raamwerk is een geschikte en schaalbare oplossing voor intelligente plattegrondanalyse en kan worden toegepast op slimme woningen, ouderenzorgplanning en zorggericht residentieel ontwerp. Een volledige lijst van datasets, softwarepakketten, bibliotheken, hardwarebronnen en computationele hulpmiddelen die in deze studie zijn gebruikt, is te vinden in de Materiaallijst. Broncode, omgevingsconfiguratie-informatie, softwareafhankelijkheidsspecificaties en implementatiescripts die nodig zijn om de gerapporteerde workflow te reproduceren, worden verstrekt in Aanvullend Bestand 1.

Algoritme voor het Protocol

Het voorgestelde raamwerk hanteert een meerfasige aanpak voor het verwerken van beeldgebaseerde plattegronden van woonhuizen en het produceren van voorspellende en beslissingsniveau-output, zoals weergegeven in Algoritme 1 in Supplementary File 2. Dit proces begint met data-voorbewerking, waarbij de invoerbeelden worden aangepast tot een standaardresolutie en genormaliseerd om uniformiteit in de hele dataset te garanderen. Alle plattegrondafbeeldingen werden verkleind naar 224 × 224 pixels en genormaliseerd naar het bereik [0, 1]. Deze stap optimaliseert de beelden voor leren door diepe neurale netwerken en verbetert de algehele modelconvergentie. De tweede fase omvat het gebruik van verschillende DL-modellen als basisleren, waaronder MobileNetV2, InceptionV3, ResNet101 en VGG16. Onafhankelijk neemt elk model de invoerbeelden en schat belangrijke architectonische kenmerken zoals vierkante meters en het aantal slaapkamers, badkamers en garages. De dataset werd willekeurig verdeeld in trainings- en testsets met een 80:20 splitsingsverhouding, en een vaste willekeurige seed werd gebruikt om reproduceerbaarheid te waarborgen. Deze modellen leggen verschillende ruimtelijke eigenschappen van de plattegronden vast en bieden complementaire voorspellingen. De feature-representatie wordt vervolgens geconstrueerd door de output van elk basismodel te stapelen tot één feature-representatie. Deze gezamenlijke output wordt vervolgens ingevoerd in een meta-ensemblemodel, CARE-MIRV-Net, dat wordt getraind om de voorspellingen van alle basismodellen te combineren. Voorspellingen van het basismodel werden onafhankelijk gegenereerd en samengevoegd om de meta-featurevector te vormen. Datalekken werden voorkomen door strikte scheiding van de trainings- en testdatasets. Het metamodel verfijnt deze voorspellingen en produceert de definitieve architecturale attribuutvoorspellingen. Het meta-model bestond uit volledig verbonden lagen met 512 en 256 neuronen, ReLU-activatiefuncties, uitvalpercentages van 0,4 en 0,3, de Adam-optimizer (leersnelheid = 0,0001), een batchgrootte van 32, en tot 15 trainingsepochs met vroegtijdige stop. Na de voorspelling wordt een beslissingslaag gebruikt om de resultaten in context te plaatsen. Volgens de geschatte waarden wordt elke woonindeling gecategoriseerd als ouderenzorg, medische zorg of algemeen residentieel gebruik. Residentiële categorieën werden toegewezen met behulp van vooraf gedefinieerde drempelgebaseerde scoringsregels afgeleid van de voorspelde plattegrondattributen. De categorie met de hoogste score werd gekozen als de definitieve classificatie. Volledige classificatiedrempels en beslissingsregels zijn beschikbaar in Algoritme 1 (Supplementair Bestand 2). Tot slot bevat het kader een uitlegbaarheidscomponent gebaseerd op SHAP om de impact van elk basismodel op de uiteindelijke voorspelling te beoordelen. SHAP-analyse werd uitgevoerd zoals eerder beschreven en in Aanvullend Bestand 1. Dit onderdeel verhoogt de transparantie en helpt het besluitvormingsproces te begrijpen. De effectiviteit en haalbaarheid van de voorgestelde aanpak werden beoordeeld met behulp van standaard regressieprestatiematen. De prestaties werden geëvalueerd met een enkele experimentele run met een vaste willekeurige seed.

Evaluatiemodellen

In deze sectie worden de DL-modellen die in de studie zijn gebruikt gepresenteerd, inclusief zowel de individuele basismodellen als het voorgestelde CARE-MIRV-Net. De benchmarkmodellen werden geselecteerd om diverse en breed gebruikte DL-architecturen te vertegenwoordigen. MobileNetV2 werd opgenomen als een lichtgewicht en computationeel efficiënt netwerk, en InceptionV3 werd gekozen vanwege het vermogen om multiscale ruimtelijke kenmerken vast te leggen. ResNet101 werd gekozen vanwege de diepe residuele leercapaciteit voor hiërarchische feature-extractie, en VGG16 werd opgenomen als een goed gevestigde convolutionele architectuur. Alle benchmarkmodellen werden getraind met identieke preprocessingprocedures, data-augmentatie-instellingen, dataset-partities, optimalisatieparameters, batchgrootte en trainingsconfiguratie om een eerlijke vergelijkende evaluatie te garanderen.

MobileNetV2:

MobileNetV2 is een klein en compact CNN-systeem dat is ontworpen om snel, hoogpresterend en met minder rekenkundige complexiteit te zijn. Het presenteert enkele van de belangrijkste innovaties zoals omgekeerde residuele verbindingen en lineaire knelpunten, die efficiënte feature-extractie mogelijk maken en toch een hoge representatiekracht hebben. MobileNetV2 kan diepte-separeerbare convoluties gebruiken om het totale aantal parameters en de rekenkosten van traditionele convolutionele netwerken sterk te minimaliseren, en is daardoor goed aangepast aan grote beeldgebaseerde leerproblemen.

MobileNetV2 wordt in het voorgestelde framework gebruikt als een van de fundamentele DL-modellen om de architectonische kenmerken van woningplattegrondafbeeldingen te voorspellen. Het model kan ruimtelijke patronen zoals kamerverdeling, indelingsdichtheid en structurele organisatie die in plattegronden voorkomen, effectief leren dankzij het efficiënte ontwerp. Dergelijke geleerde weergaven spelen een belangrijke rol bij het nauwkeurig inschatten van belangrijke kenmerken zoals vierkante meters, aantal slaapkamers, badkamers en garages. MobileNetV2 is een lichtgewicht model, dat een goede kandidaat is om opgenomen te worden in het voorgestelde meta-ensemble framework. Het voegt enkele complementaire feature-representaties toe aan andere DL-modellen en verhoogt de algehele robuustheid en generalisatie van het systeem. Dit modelleren is erg belangrijk om de nauwkeurigheid van voorspellingen te verbeteren en te helpen bij de classificatie van residentiële ontwerpen op basis van gezondheidszorg.

Het MobileNetV2-model wordt getraind met een transfer-learningstrategie met vooraf getrainde gewichten uit de ImageNet-dataset. De invoerafbeeldingen zijn geschaald tot een vaste grootte van 224 × 224 × 3, wat compatibel is met de architectuur. De beelden werden verkleind tot 224 × 224 pixels, genormaliseerd naar het bereik [0, 1], en aangevuld met willekeurig flippen, rotatie, zoomen en verschuiven. Tijdens de training werd een batch van 32 gebruikt tijdens de training. De initiële classificatiekop van MobileNetV2 wordt verwijderd en vervangen door een regressiekop. De regressiekop bestond uit een Global Average Pooling-laag gevolgd door volledig verbonden lagen met 512 en 256 neuronen, batchnormalisatie, dropout-lagen (0,4 en 0,3) en een lineaire outputlaag met vier neuronen. Om domeinaanpassing te vergemakkelijken, werden de onderste voorgetrainde lagen bevroren, terwijl de bovenste lagen beginnend bij block_13_expand en de aangepaste regressie kop werden fijn afgesteld. Deze selectieve trainingsaanpak stelt het model in staat algemene visuele kenmerken te behouden terwijl het domeinspecifieke ruimtelijke attributen van plattegrondafbeeldingen leert. De geëxtraheerde featuremaps worden verwerkt via een Global Average Pooling-laag en volledig verbonden lagen met 512 en 256 neuronen met behulp van ReLU-activatie. Om generalisatie te verbeteren en overfitting te verminderen, worden batchnormalisatie en dropoutlagen (0,4 en 0,3) geïntegreerd. De uiteindelijke outputlaag bevat vier neuronen met lineaire activatie die overeenkomt met de voorspelde architecturale eigenschappen. De Adam-optimizer werd gebruikt met een leersnelheid van 0,0001 en TensorFlow/Keras standaardparameters (β₁ = 0,9, β₂ = 0,999, ε = 1 × 10⁻⁷, amsgrad = False). Voor multioutput-voorspelling werden MAE en R² berekend door de voorspelde en werkelijke waarden voor elke doelvariabele te vergelijken en vervolgens de resultaten over alle outputs te middelen. Vroege stopwerking werd toegepast op basis van validatieverlies, en adaptieve leersnelheidsvermindering werd toegepast om convergentie te verbeteren. De training werd tot wel 15 tijdperken gegeven.

InceptionV3:

InceptionV3 is een diepgaande CNN-architectuur die in staat is om multiscale features vast te leggen met behulp van parallelle convolutionele bewerkingen. Het is gebaseerd op de Inception-module, die verschillende filtermaten in dezelfde laag gebruikt om zowel fijnkorrelige als grove kenmerken tegelijk te extraheren. Dit type architectuurontwerp stelt het netwerk in staat om ingewikkelde ruimtelijke hiërarchieën te leren en computationeel efficiënt te zijn. Daarbovenop gebruikt InceptionV3 gefactoriseerde convoluties en dimensionaliteitsreductie, die de prestaties verbeteren en de rekenkosten minimaliseren.

InceptionV3 wordt in het voorgestelde kader toegepast als een effectieve feature extractor om woningplattegrondafbeeldingen te analyseren. Plattegronden bestaan uit verschillende ruimtelijke patronen, zoals kamergroottes, structurele plattegronden en connectiviteit, wat multiscale feature learning noodzakelijk maakt. Inception-architectuur is hier bijzonder geschikt voor omdat het lokale specificiteiten (bijv. kleine kamers) en globale structuren (bijv. de organisatie van de algehele indeling) tegelijkertijd kan weergeven. InceptionV3 biedt complementaire representaties voor andere modellen zoals MobileNetV2 in de context van het meta-ensemble framework. De diversiteit aan voorspellingen wordt vergroot door het vermogen om complexe ruimtelijke relaties te modelleren, en dit is belangrijk om de ensembleprestaties te verbeteren. Dit helpt uiteindelijk bij het beter voorspellen van architectonische kenmerken en versterkt de classificatie van ouderenvriendelijke en zorggeïntegreerde woningontwerpen.

Het InceptionV3-model wordt getraind met een transfer-learning benadering met vooraf getrainde gewichten uit de ImageNet-dataset. De invoerafbeeldingen zijn geschaald naar 224 × 224 × 3 om compatibiliteit met de netwerkarchitectuur en consistentie over alle modellen binnen het framework te waarborgen. De beelden werden verkleind tot 224 × 224 pixels, genormaliseerd naar het bereik [0, 1], en aangevuld met willekeurig flippen, rotatie, zoomen en verschuiven. Tijdens de training werd een batch van 32 gebruikt tijdens de training.

De oorspronkelijke classificatielagen van InceptionV3 worden verwijderd en er wordt een aangepaste regressiekop geïntroduceerd om multioutput-voorspelling mogelijk te maken. De aangepaste regressiekop bestond uit een Global Average Pooling-laag gevolgd door volledig verbonden lagen met 512 en 256 neuronen, batchnormalisatie, dropout-lagen (0,4 en 0,3) en een lineaire outputlaag met vier neuronen. De convolutionele basis is gedeeltelijk fijn afgesteld, waarbij de onderste voorgetrainde lagen zijn bevroren en de bovenste lagen samen met de aangepaste regressiekop zijn verfijnd om domeinspecifieke plattegrondkenmerken te leren, terwijl algemene visuele representaties die tijdens de pretraining zijn verkregen behouden blijven. Na de convolutionele backbone transformeert een Global Average Pooling-laag de featuremaps in een compacte feature-representatie. Hierop volgen volledig verbonden lagen met 512 en 256 neuronen met ReLU-activatiefuncties. Om overfitting te minimaliseren en de generalisatie te verbeteren, worden uitvalpercentages van 0,4 en 0,3 toegepast. De uiteindelijke outputlaag bestaat uit vier neuronen met lineaire activatie die overeenkomt met de voorspelling van vierkante meters, aantal slaapkamers, aantal badkamers en aantal garages. Het model wordt getraind met de Adam-optimizer met een leersnelheid van 0,0001, een batchgrootte van 32, en tot 15 trainingsepochs met vroegtijdige stop- en adaptieve leersnelheidsvermindering om stabiele convergentie te waarborgen.

ResNet101:

ResNet101 is een diepe structuur van het CNN die is opgebouwd op basis van het principe van residueel leren, waardoor het mogelijk wordt extreem diepe netwerken te trainen door het probleem van de nulgradiënt te overwinnen. Het voegt residuele verbindingen toe, of zogenaamde skip-verbindingen, waarmee het netwerk identiteitskaarten kan leren en informatie over lagen kan behouden. Deze architectuur verbetert de stabiliteit van de training aanzienlijk en stelt het model in staat om ingewikkelde hiërarchische kenmerken te leren. ResNet101 heeft een diepe representatiecapaciteit van 101 lagen en is daarom zeer effectief bij taken die extra ruimtelijke kenmerken vereisen.

ResNet101 zal in het voorgestelde framework worden gebruikt als een high-capacity feature extractor, die de beelden van residentiële plattegronden analyseert. Het model kan worden gebruikt om complexe ruimtelijke relaties weer te geven, waaronder kamerconnectiviteit, indelingscomplexiteit en structurele variaties, vanwege de diepe architectuur. Deze kenmerken zijn cruciaal om nauwkeurige voorspellingen te maken over architectonische kenmerken zoals vierkante meters, slaapkamers, badkamers en garages. In het meta-ensemble ontwerp is ResNet101 een belangrijk onderdeel en biedt het diepgaande en abstracte feature-representaties. ResNet101 richt zich meer op fijnkorrelige structurele kenmerken en is daardoor diverser onder basisleerlingen dan lichte modellen zoals MobileNetV2. Deze heterogeniteit speelt een essentiële rol bij het verbeteren van de prestaties van een ensemble en robuuste voorspellingen, vooral bij het omgaan met residentiële classificatie op basis van de gezondheidszorg.

ResNet101 wordt getraind met een transfer-learning benadering met vooraf getrainde gewichten uit de ImageNet-dataset. De invoerafbeeldingen zijn geschaald naar 224 × 224 × 3, wat zorgt voor architecturale compatibiliteit en consistentie tussen alle modellen binnen het framework. De beelden werden verkleind tot 224 × 224 pixels, genormaliseerd naar het bereik [0, 1], en aangevuld met willekeurig flippen, rotatie, zoomen en verschuiven. Tijdens de training werd een batch van 32 gebruikt tijdens de training. De oorspronkelijke classificatiekop van ResNet101 wordt verwijderd (include_top=False), en er wordt een aangepaste regressiekop geïntroduceerd om multioutput-voorspelling mogelijk te maken. De regressiekop bestond uit een Global Average Pooling-laag gevolgd door volledig verbonden lagen met 512 en 256 neuronen, batchnormalisatie, dropout-lagen (0,4 en 0,3) en een lineaire outputlaag met vier neuronen. Om het hergebruik van kenmerken en domeinaanpassing in balans te brengen, werden de onderste voorgetrainde lagen bevroren, terwijl de diepere lagen, beginnend bij conv4_block1_1_conv en de aangepaste regressiekop, werden fijn afgesteld. Deze selectieve trainingsstrategie stelt het model in staat generieke visuele kenmerken te behouden terwijl het hogere representaties aanpast aan vloerplattegrondafbeeldingen. De output van de convolutionele basis wordt door een Global Average Pooling-laag gestuurd om een compacte feature-representatie te genereren. Hierop volgen volledig verbonden lagen met 512 en 256 neuronen die ReLU-activatiefuncties gebruiken. Batchnormalisatie wordt toegepast om het leren te stabiliseren, en dropout-lagen met snelheden van 0,4 en 0,3 worden geïntegreerd om overfitting te verminderen en generalisatie te verbeteren. De uiteindelijke outputlaag bevat vier neuronen met lineaire activatie die overeenkomt met vierkante meters, aantal slaapkamers, badkamers en garages. De Adam-optimizer werd gebruikt met een leersnelheid van 0,0001, zoals beschreven in de trainingsconfiguratie. Data-augmentatie omvatte willekeurig flippen, roteren, zoomen en verschuiven om de generalisatie van het model te verbeteren. Training werd uitgevoerd tot 15 epochs met vroegtijdig stoppen op basis van validatieverlies en vermindering van adaptieve leersnelheid.

VGG16:

VGG16 is een eenvoudige neurale netwerkarchitectuur van het diepe convolutionele type die effectief en eenvoudig is bij visuele herkenningstaken. Het bestaat uit 16 lagen met een regulier of homogeen ontwerp met kleine 3 × 3 convolutionele filters, die het leren van hiërarchische feature-representaties door het netwerk mogelijk maken. De architectuur is dieptegericht en eenvoudig, wat betekent dat het in staat is om laag-niveau details zoals randen en texturen en hoge semantische structuren vast te leggen. VGG16, met zijn reguliere ontwerp en goede prestaties, is nu een populaire keuze als backbone bij het uitvoeren van transfer learning in beeldgerelateerde taken.

In het voorgestelde model wordt VGG16 gebruikt als een basismodel voor DL om ruimtelijke kenmerken af te leiden van afbeeldingen van woonplattegronden. Het feit dat het georganiseerd is, maakt het zeer nuttig om de fijnere details van indelingspatronen vast te leggen, zoals kamergrenzen, structurele uitlijningen en ruimtelijke organisatie. De kenmerken zijn cruciaal om de eigenschappen van architectuur zoals vierkante meters, slaapkamers, badkamers en garages effectief te voorspellen. In het meta-ensemblesysteem biedt VGG16 stabiele en goed gegeneraliseerde feature-representaties. VGG16 biedt een meer gebalanceerde benadering van feature-extractie in vergelijking met diepere architecturen, zoals ResNet101, en multiscale-architecturen, zoals InceptionV3, wat de basisdiversiteit van leerlingen vergroot. Deze heterogeniteit is cruciaal voor het verbeteren van de prestaties van het ensemble en betrouwbare voorspellingen van de zorggerichte residentiële classificatie.

Het VGG16-model wordt getraind met een transfer-learning-benadering met vooraf getrainde gewichten uit de ImageNet-dataset. De invoerafbeeldingen zijn geschaald naar 224 × 224 × 3 om compatibiliteit met de architectuur en consistentie over alle modellen binnen het framework te waarborgen. De beelden werden verkleind tot 224 × 224 pixels, genormaliseerd naar het bereik [0, 1], en aangevuld met willekeurig flippen, rotatie, zoomen en verschuiven. Tijdens de training werd een batch van 32 gebruikt tijdens de training. De oorspronkelijke classificatielagen worden verwijderd (include_top=False), en er wordt een aangepaste regressiekop toegevoegd om het model aan te passen voor multioutput-voorspelling. De regressiekop bestond uit een Global Average Pooling-laag gevolgd door volledig verbonden lagen met 512 en 256 neuronen, batchnormalisatie, dropout-lagen (0,4 en 0,3) en een lineaire outputlaag met vier neuronen. De onderste voorgetrainde lagen werden bevroren, terwijl de lagen beginnend bij block4_conv1 en de aangepaste regressiekop fijn werden afgesteld. Deze strategie stelt het model in staat algemene visuele kenmerken te behouden terwijl domeinspecifieke representaties worden geleerd die relevant zijn voor de analyse van de plattegrond. De uitvoerkenmerken van de convolutionele basis worden door een Global Average Pooling-laag gestuurd om een compacte featurevector te genereren. Hierop volgen volledig verbonden lagen met 512 en 256 neuronen die ReLU-activatiefuncties gebruiken. Batchnormalisatie- en dropoutlagen met snelheden van 0,4 en 0,3 worden geïntegreerd om de training te stabiliseren, overfitting te verminderen en generalisatie te verbeteren. De uiteindelijke outputlaag bevat vier neuronen met lineaire activatie die overeenkomt met vierkante meters, aantal slaapkamers, badkamers en garagevoorspellingen. De Adam-optimizer werd gebruikt met een leersnelheid van 0,0001, zoals beschreven in de trainingsconfiguratie. Data-augmentatie omvatte willekeurig flippen, roteren, zoomen en verschuiven om de generalisatie van het model te verbeteren. Training werd uitgevoerd tot 15 epochs met vroegtijdig stoppen op basis van validatieverlies en vermindering van adaptieve leersnelheid.

CARE-MIRV-Net (Voorgestelde Meta-Ensemble DL-model):

Het voorgestelde CARE-MIRV-Net (Context-Aware Residential Ensemble using MobileNetV2, InceptionV3, ResNet101 en VGG16 Network) is een stapelgebaseerd meta-ensemble DL-framework dat bedoeld is om de schatting van architecturale kenmerken te verbeteren op basis van afbeeldingen van de woonplattegrond. De architectuur combineert verschillende heterogene CNN's door hun synergetische voordelen te benutten bij het extraheren van features. Het voorgestelde model is gebaseerd op de combinatie van lichtgewicht, diepe en multiscale architectuur die de voorspellende prestaties verbetert en robuustheid biedt in een breed scala aan woonindelingen. In tegenstelling tot traditionele technieken gebaseerd op één model, volgt CARE-MIRV-Net een hiërarchische leerbenadering, waarbij basismodellen initiële voorspellingen geven, die vervolgens worden verbeterd door een meta-learner.

Als het gaat om ruimtelijk en gezondheidsbewust woningontwerp, is de juiste interpretatie van plattegronden van het grootste belang. Enkele DL-modellen zijn vaak onvoldoende om verschillende architecturale patronen te generaliseren. Het voorgestelde framework zal deze zwakte overwinnen door gebruik te maken van vier verschillende architecturen: MobileNetV2, InceptionV3, ResNet101 en VGG16, die hun eigen verschillende representatiemogelijkheden bieden. MobileNetV2 kan efficiënt worden gebruikt om functies te extraheren en is lichtgewicht; InceptionV3 leert ruimtelijke patronen over meerdere schalen; ResNet101 leert diepgaande hiërarchische representaties; en VGG16 leert functies consistent en betrouwbaar aan. Een combinatie van deze modellen maakt het mogelijk dat het raamwerk zowel lokale als globale ruimtelijke eigenschappen omarmt, wat de nauwkeurigheid en betrouwbaarheid van voorspelde kenmerken zoals vierkante meters, aantal slaapkamers, badkamers en garages verbetert. De bovenstaande voorspellingen kunnen ook worden gebruikt om verdere classificatie van woonindelingen te voorspellen, waaronder oudervriendelijk, geïntegreerd in de gezondheidszorg en algemene residentiële indelingen.

CARE-MIRV-Net is geïmplementeerd met een tweefasen-stacking-gebaseerde ensemblestrategie. In de eerste fase genereren de vier basismodellen onafhankelijk voorspellingen voor de doelvariabelen. Meta-leerling inputs werden gegenereerd door de voorspellingsoutput van de getrainde basismodellen op de trainingsdata samen te voegen. Deze samengevoegde voorspellingen vormden de 16-dimensionale meta-featurevectoren die werden gebruikt voor metamodeltraining. Informatielekkage werd voorkomen door strikte scheiding van de trainings- en testdatasets, en er werden geen testmonsters gebruikt tijdens de basismodel- of metamodeltraining. Dezelfde trainings- en validatiedatasets die voor de basismodellen werden gebruikt, werden gebruikt tijdens het stapelproces. Tijdens zowel training als inferentie werd de 16-dimensionale meta-featurevector geconstrueerd door de vier voorspellingsuitvoeren van MobileNetV2, InceptionV3, ResNet101 en VGG16 aan elkaar te koppelen. Omdat elk model een vierdimensionale outputvector genereert, levert de gekoppelde representatie een 16-dimensionale input voor de meta-learner. Deze transformatie combineert de voorspellingen van alle basismodellen en dient als input voor de tweede fase van het framework. De tweede fase omvat het construeren van een volledig verbonden neurale netwerk-meta-learner om de optimale combinatie van basismodelvoorspellingen te leren. De meta-learner bestond uit volledig verbonden lagen met 512 en 256 neuronen, ReLU-activatie, batchnormalisatie, uitvalpercentages van 0,4 en 0,3, en een lineaire outputlaag van vier neuronen. Dropout-lagen met snelheden van 0,4 en 0,3 werden na de dichte lagen toegepast om overfitting te verminderen en de generalisatie te verbeteren. Het metamodel werd getraind met de Adam-optimizer met een leersnelheid van 0,0001, een batchgrootte van 32 en tot 15 epochs met vroegtijdige stop- en adaptieve leersnelheidsreductie. Validatiegegevens werden gebruikt om de modelprestaties tijdens training te monitoren en het best presterende model te selecteren. Na de training genereerde het meta-ensemblemodel definitieve voorspellingen door output van alle basisleerlingen te combineren. MAE en R² werden gebruikt om de prestaties van CARE-MIRV-Net te evalueren. Voor multioutput-voorspelling werden MAE en R² berekend door de voorspelde en werkelijke waarden voor elke doelvariabele te vergelijken en vervolgens de resultaten over alle outputs te middelen. De resultaten werden verkregen uit een enkele experimentele run met een vaste willekeurige zaad. Het voorgestelde raamwerk verbetert de voorspellende kracht door verschillende DL-structuren te combineren via een stapelmechanisme en interpreteerbare analyses van woonplattegronden te bieden. Dit maakt CARE-MIRV-Net toepasbaar in de context van geriatrisch gericht en zorggericht residentieel ontwerp. De broncode, omgevingsconfiguratie-informatie, softwareafhankelijkheidsspecificaties en implementatiedocumentatie worden verstrekt in Supplementair Bestand 1.

Prestatiebeoordeling

Prestatieanalyse van het voorgestelde kader wordt uitgevoerd om de voorspellende kracht, robuustheid en generalisatieprestaties te bepalen over verschillende architecturale kenmerken. Kwantitatieve en kwalitatieve analyses worden uitgevoerd om het nut van het voorgestelde model te bevestigen. De beoordelingsprocedure omvat zowel standaard regressiemetingen als gecontroleerde experimentele omgevingen om eerlijke vergelijking met de basismodellen mogelijk te maken. Experimenten werden uitgevoerd met een enkele experimentele run met een vaste willekeurige seed om reproduceerbaarheid en consistentie te waarborgen over alle benchmark- en voorgestelde modellen.

Prestatieparameters:

Twee bekende regressiematen, MAE en R², worden gebruikt om de prestaties van het voorgestelde kader te beoordelen. MAE meet de gemiddelde grootte van voorspellingsfouten en geeft een duidelijke indicatie van de nabijheid tussen voorspelde en werkelijke waarden. Omgekeerd wordt de^R2-waarde gebruikt om het aandeel variantie in de doelvariabelen te beoordelen dat door het model wordt verklaard, wat de algehele voorspellende kracht weerspiegelt. Een combinatie van deze metrieken biedt een uitgebreide evaluatie van de nauwkeurigheid en generalisatieprestaties van alle voorspelde architecturale kenmerken. Voor multioutput-voorspelling werden MAE en R² berekend door de voorspelde en werkelijke waarden voor elke doelvariabele te vergelijken en vervolgens de resultaten over alle outputs te middelen.

Experimentele opstelling:

De experimenten werden uitgevoerd in een cloudcomputing-omgeving met Python (versie 3.12.12). Het voorgestelde protocol werd geïmplementeerd met TensorFlow (versie 2.19.0), Keras (versie 3.13.2), NumPy (versie 2.4.6), Pandas (versie 2.3.3), Scikit-learn (versie 1.6.1), Matplotlib (versie 3.9) en SHAP (versie 0.51.0). De computationele omgeving maakte gebruik van een Intel Xeon-processor die werkte op 2,20 GHz met ongeveer 31 GB systeemgeheugen. De experimenten werden uitgevoerd op een Ubuntu 22.04 LTS-besturingssysteem met NVIDIA Tesla T4 × 2 GPU's. De dataset bevat 2.640 plattegrondafbeeldingen van woningen die vooraf zijn verwerkt en onderverdeeld in trainings- en testdatasets. De dataset werd verdeeld met een 80:20 splitsingsverhouding, wat resulteerde in 2.112 trainingsmonsters en 528 testmonsters. MobileNetV2, InceptionV3, ResNet101 en VGG16 zijn vier DL-modellen die zijn getraind met een fine-tuning aanpak met transfer learning. Een stapelgebaseerd meta-ensemblemodel, CARE-MIRV-Net, werd vervolgens opgebouwd om voorspellingen uit deze basismodellen te combineren. Elk model werd getraind onder uniforme omstandigheden, waaronder het verkleinen van het beeld naar 224 × 224 pixels, data-augmentatie en vroegtijdig stoppen om overfitting te verminderen. Data-augmentatie omvatte willekeurig omdraaien, roteren, zoomen en verplaatsen. Er werd een batchgrootte van 32 en maximaal 15 trainingstijdperken gebruikt, met vroegtijdige stopzetten op basis van validatieverlies en aanpassing van de leersnelheid. De eindanalyse werd uitgevoerd op een verborgen testset om een onbevooroordeelde en betrouwbare beoordeling van de prestaties te bieden. De verborgen testset werd gegenereerd tijdens de initiële dataset-partitionering en bleef volledig geïsoleerd tijdens de modeltraining en -ontwikkeling om een onbevooroordeelde prestatie-evaluatie te garanderen.

Beschrijving van de dataset:

De dataset die de bevindingen van deze studie ondersteunt, is openbaar beschikbaar op het Kaggle-platform met de titel "Floor Plan Images and Their Details"²⁸. De dataset is beschikbaar op: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details (geraadpleegd op 16 april 2026). De gegevens bestaan uit 2.640 plattegrondafbeeldingen van woningen en georganiseerde architectonische metadata. Elke steekproef is een uniek woningplan, dat een breed scala aan woonindelingen biedt met verschillende groottes, configuraties en ruimtelijke indelingen. De grootte van de dataset is voldoende voor DL-gebaseerde training en bevat een verscheidenheid aan architecturale patronen. De dataset bestaat uit een tweedimensionale plattegrond en bijbehorende numerieke attributen die de structurele kenmerken van de woning beschrijven. Deze kenmerken omvatten totale vierkante meters, aantal slaapkamers, aantal badkamers en aantal garages. Bovendien bevat elk record een beeldpad, waarmee visuele invoer direct aan labels kan worden gekoppeld. De variabelen van de dataset omvatten vloerplattegrond, afbeeldingspad, vierkante meters, aantal slaapkamers, aantal badkamers en aantal garages. Het vloerplan-beeld dient als invoerfunctie, terwijl de architecturale attributen als voorspellingsdoelen worden gebruikt. De dataset is daarom geschikt voor supervised learning, waarbij afbeeldingen als invoerkenmerken dienen en architecturale attributen als regressiedoelen.

De dataset bevat een grote verscheidenheid aan woonindelingen, variërend van compacte indelingen met minder kamers tot grote indelingen met meerdere kamers. Deze variabiliteit maakt het mogelijk om betekenisvolle ruimtelijke representaties te leren, waaronder kamerverdeling, indelingsdichtheid en structurele complexiteit. Deze diversiteit is vooral belangrijk voor het voorgestelde kader, omdat het de categorisering van plattegronden ondersteunt in ouderenvriendelijke, gezondheidszorggeïntegreerde en algemene woonindelingen. Voor modeltraining wordt de dataset verwerkt via een reeks preprocessingprocedures om consistentie en compatibiliteit met DL-modellen te waarborgen. Alle beelden werden aangepast tot 224 × 224 pixels en genormaliseerd tot het bereik [0, 1] vóór de training. De dataset wordt vervolgens georganiseerd door beeldpaden te matchen met de bijbehorende metadata, waarna deze wordt onderverdeeld in trainings- en testsubsets om prestatie-analyse te vergemakkelijken. De dataset werd willekeurig verdeeld in trainings- en testsets met een 80:20 splitsingsverhouding. Records met volledige beeld- en metadata-informatie werden in de analyse opgenomen, terwijl onvolledige of ongeldige records werden uitgesloten. Tijdens het partitioneren van datasets werd een vaste willekeurige seed gebruikt om reproduceerbaarheid te waarborgen. De dataset biedt een gedetailleerde basis voor AI-gedreven analyse van woningplattegronden. De combinatie van 2.640 geannoteerde afbeeldingen en diverse architectonische kenmerken ondersteunt multioutput regressiemodellering en maakt de integratie van ruimtelijke intelligentie mogelijk met zorggerichte residentiële ontwerpbeslissingen.

Resultaten

Er werd een reeks experimenten uitgevoerd om het voorgestelde framework te evalueren met behulp van vier DL-modellen: MobileNetV2, InceptionV3, ResNet101 en VGG16, samen met het voorgestelde CARE-MIRV-Net meta-ensemble model.

Resultaten van dataset-acquisitie en voorverwerking

De preprocessingfase was ontworpen om de ruwe plattegrondafbeeldingen en gerelateerde metadata voor te bereiden voor training en evaluatie met DL-modellen. De dataset werd verkregen uit het Kaggle-repository en bevatte 2.640 monsters. Elk voorbeeld bestond uit een plattegrond en de bijbehorende architectonische kenmerken. Alleen de relevante kolommen, waaronder beeldpad, vierkante meters, slaapkamers, badkamers en garages, werden behouden voor verdere analyse, en onvolledige of lege records werden verwijderd om dataconsistentie en kwaliteit te waarborgen. Om modeltraining en evaluatie te vergemakkelijken, werd de dataset verdeeld in trainings- en testsubsets in een verhouding van 80:20, wat resulteerde in 2.112 trainingsmonsters en 528 testmonsters. Tijdens het partitioneren van datasets werd een vaste willekeurige seed gebruikt om reproduceerbaarheid te waarborgen. Deze verdeling zorgde ervoor dat de modellen werden getraind op een voldoende grote dataset, terwijl een onafhankelijke testset voor objectieve prestatiebeoordeling behouden bleef. De beeldpaden werden gestandaardiseerd door elk record toe te wijzen aan de overeenkomstige locatie binnen de datasetdirectory. De vier architectonische kenmerken (vierkante meter, slaapkamers, badkamers en garages) dienden als de doelvariabelen voor de multioutput regressietaak. Hoewel slaapkamers, badkamers en garages discrete variabelen zijn, zijn ze gemodelleerd met een multioutput-regressieframework om gelijktijdige voorspelling van alle architecturale attributen binnen een unified learning-architectuur mogelijk te maken. Deze aanpak stelt het model in staat gedeelde relaties tussen de doelvariabelen vast te leggen en correlaties tussen continue en discrete architecturale kenmerken te benutten. Voorspelde waarden voor discrete attributen werden tijdens de nabewerking omgezet naar het dichtstbijzijnde geldige geheel getal, vóór interpretatie en downstream residentiële indeling.

Tabel 1 geeft de architectonische kenmerken die door het voorgestelde model zijn voorspeld, en vertegenwoordigt belangrijke ruimtelijke en functionele kenmerken van woonplattegronden. Verkennende data-analyse werd uitgevoerd om de verdeling van de doelvariabelen beter te begrijpen met behulp van histogrammen en telgebaseerde visualisaties. De verdeling van vierkante meters is continu met wisselende dichtheden, terwijl de verdeling van slaapkamers, badkamers en garages de frequentie van verschillende woonconfiguraties benadrukt. Deze verdelingen worden weergegeven in Figuur 2. De verdeling van vierkante meters is weergegeven in Figuur 2A, terwijl de verdelingen van slaapkamers, badkamers en garages respectievelijk in Figuur 2B–2D zijn getoond. Samen illustreren deze grafieken de variabiliteit en verdeling van de doelvariabelen binnen de dataset.

Naam van het kenmerk	Beschrijving
Vierkante Meter	Totale bebouwde oppervlakte van de woonunit
Bedden	Aantal slaapkamers in de indeling
Baden	Aantal toiletten in de indeling
Garages	Aantal beschikbare garageplaatsen

Tabel 1: Architecturale attributen gebruikt als voorspellingsdoelen. Definities van de architecturale attributen afkomstig uit de residentiële plattegronddataset en gebruikt als doelvariabelen voor modeltraining en evaluatie. De kenmerken omvatten totale vierkante meters, aantal slaapkamers, aantal badkamers en aantal garageruimtes die bij elke woonplattegrond horen.

Figuur 2. Verspreiding van architectonische attributen in de residentiële plattegronddataset. Histogrammen die de verdeling tonen van (A) vierkante meters, (B) aantal slaapkamers, (C) aantal badkamers en (D) aantal garages over de dataset die wordt gebruikt voor modelontwikkeling en evaluatie. Klik hier om een grotere versie van deze figuur te bekijken.

De beeldvoorbewerkingsfase transformeerde alle plattegrondafbeeldingen naar een gestandaardiseerd formaat dat geschikt is voor DL-modellen. Alle afbeeldingen werden geladen, omgezet naar RGB-kleurruimte, verkleind naar 224 × 224 pixels, en genormaliseerd tot het bereik van [0, 1]. Dit proces zorgde voor consistente invoerdimensies en verbeterde modelconvergentie tijdens de training. Voorbewerkte beelden werden willekeurig bemonsterd en labels werden gecontroleerd om de juiste preprocessing en labeluitlijning te bevestigen. Na voorverwerking werd elk beeld omgezet in een NumPy-array en gekoppeld aan de bijbehorende doelwaarden om de input-output dataset te creëren. De resulterende datasets bevestigden een succesvolle voorbereiding van de data, waarbij trainingsbeelden de afmetingen (2112, 224, 224, 3) hadden en de testbeelden met afmetingen van (528, 224, 224, 3) werden getest. De bijbehorende labelmatrices hadden respectievelijk de afmetingen (2112, 4) en (528, 4). De doelvariabelen werden omgezet naar floating-pointwaarden om regressiegebaseerd leren te ondersteunen.

Om de modelgeneralisatie verder te verbeteren en overfitting te verminderen, werden data-augmentatietechnieken toegepast met behulp van een beelddatagenerator. Deze technieken omvatten willekeurige horizontale flipping, rotatie, zoomen en breedte-/hoogteverschuiving om de variabiliteit van trainingsgegevens te vergroten en de generalisatie van het model te verbeteren. Deze transformaties verhoogden de variabiliteit binnen de trainingsdata en stelden de modellen in staat robuustere en invariantere ruimtelijke kenmerken te leren. De preprocessing-pijplijn leverde schone, gestandaardiseerde en goed gestructureerde beeld- en tabelgegevens, wat een geschikte basis bood voor het trainen van het voorgestelde meta-ensemble deep learning-framework.

Resultaten van basismodellen en het voorgestelde model

De vooraf bewerkte dataset (2.640 plattegrondafbeeldingen) werd gebruikt om alle modellen te trainen met behulp van trainings- en testsplitsingen. De dataset werd verdeeld met een 80:20 splitsingsverhouding, wat resulteerde in 2.112 trainingsmonsters en 528 testmonsters. Er werd een vast willekeurig zaad gebruikt om reproduceerbaarheid te waarborgen. Vooraf getrainde gewichten werden gebruikt voor transfer learning en fine-tuning om de modellen aan te passen aan het domein van architecturale plattegrondanalyse. Data-augmentatiemethoden werden tijdens de training gebruikt om generalisatie te verbeteren, en vroegtijdig stoppen werd toegepast om overfitting te verminderen door validatieprestaties te monitoren. De modellen werden getraind met een batchgrootte van 32 voor maximaal 15 epochs, waarbij vroegtijdig stopwerk werd toegepast om overfitting te voorkomen en efficiënte convergentie te bevorderen. Vroegtijdig stoppen monitorde het validatieverlies en beëindigde de training wanneer er geen verdere verbetering werd waargenomen, terwijl adaptieve leersnelheidsvermindering werd toegepast om de convergentie te verbeteren. Zowel verlies als MAE werden gebruikt om het trainingsproces te monitoren en convergentiegedrag en stabiliteit te evalueren. Alle modellen werden onder dezelfde experimentele omstandigheden getraind om een eerlijke vergelijking te garanderen. Figuren 3–7 tonen de trainings- en validatieverlies- en MAE-curves voor alle modellen, wat inzicht geeft in hun leerdynamiek en generalisatiegedrag.

Figuur 3. Trainingsprestaties van MobileNetV2. (A) Verlies van training en validatie door trainingsperiodes heen. (B) Training en validatie betekenen absolute fout (MAE) over trainingsperiodes heen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4. Trainingsprestaties van InceptionV3. (A) Verlies van training en validatie door trainingsperiodes heen. (B) Training en validatie betekenen absolute fout (MAE) over trainingsperiodes heen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5. Trainingsprestaties van ResNet101. (A) Verlies van training en validatie door trainingsperiodes heen. (B) Training en validatie betekenen absolute fout (MAE) over trainingsperiodes heen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6. Trainingsprestaties van VGG16. (A) Verlies van training en validatie door trainingsperiodes heen. (B) Training en validatie betekenen absolute fout (MAE) over trainingsperiodes heen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7. Trainingsprestaties van CARE-MIRV-Net. (A) Verlies van training en validatie door trainingsperiodes heen. (B) Training en validatie betekenen absolute fout (MAE) over trainingsperiodes heen. Klik hier om een grotere versie van deze figuur te bekijken.

De trainingsprestaties van MobileNetV2 worden weergegeven in Figuur 3. De trainings- en validatieverliescurves zijn weergegeven in Figuur 3A, terwijl de trainings- en validatie-MAE-curves zijn weergegeven in Figuur 3B. Trainingsverlies en MAE namen geleidelijk af met toenemende epochs, wat wijst op stabiel leergedrag. De validatiecurves vertoonden grotere variatie en bleven relatief hoger dan de trainingscurves, wat wijst op verminderde generalisatieprestaties. Deze trend is consistent met de kwantitatieve resultaten, waarin MobileNetV2 relatief lagere voorspellende prestaties liet zien, vooral voor de voorspelling van vierkante meters. De trainingsprestaties van InceptionV3 worden weergegeven in Figuur 4. De trainings- en validatieverliescurves zijn weergegeven in Figuur 4A, terwijl de trainings- en validatie-MAE-curves in Figuur 4B zijn weergegeven. Het model liet een gestage afname zien in zowel trainings- als validatieverlies en MAE, met slechts een klein verschil tussen de curves. Dit gedrag suggereert effectief leren en relatief goede generalisatie. De stabiele validatiecurves geven aan dat het model multiscale ruimtelijke kenmerken effectief vastlegde, wat bijdraagt aan verbeterde prestaties ten opzichte van MobileNetV2. Het trainingsgedrag van ResNet101 wordt weergegeven in Figuur 5. De trainings- en validatieverliescurves zijn weergegeven in Figuur 5A, terwijl de trainings- en validatie-MAE-curves zijn weergegeven in Figuur 5B. Het model toonde een geleidelijke afname van trainingsverlies en MAE, terwijl de validatiecurves een vergelijkbare trend volgden met kleine fluctuaties. Hoewel er enige oscillatie werd waargenomen, bleef de algehele convergentie stabiel. Deze observaties zijn consistent met het vermogen van het model om hiërarchische ruimtelijke representaties te leren via residueel leren. De trainingsprestaties van VGG16 worden weergegeven in Figuur 6. De trainings- en validatieverliescurves zijn weergegeven in Figuur 6A, terwijl de trainings- en validatie-MAE-curves zijn weergegeven in Figuur 6B.

De trainingscurves van VGG16 vertoonden een continue afname gedurende de training, wat wijst op effectief leren. De validatiecurves vertoonden oscillaties en een lichte scheiding ten opzichte van de trainingscurves, wat wijst op milde overfitting. Desalniettemin bleef het model concurrerend, vooral wat betreft vierkante meters en garagevoorspelling, wat aangaf dat de geleerde feature-representaties effectief en stabiel bleven.

De trainingsprestaties van CARE-MIRV-Net worden weergegeven in Figuur 7. De trainings- en validatieverliescurves zijn weergegeven in Figuur 7A, terwijl de trainings- en validatie-MAE-curves zijn weergegeven in Figuur 7B. De trainings- en validatieverlies- en MAE-curves namen soepel en consistent af, met slechts een klein verschil tussen hen. Dit gedrag duidt op sterke convergentie en goede generalisatie. In vergelijking met de individuele modellen leverde het meta-ensemble kader stabieler leergedrag en verminderde variabiliteit op. Over het algemeen suggereert de vergelijking van de trainingscurves dat, hoewel de individuele modellen verschillende convergentie- en generalisatiekenmerken vertoonden, CARE-MIRV-Net het meest consistente trainingsgedrag vertoonde onder de geëvalueerde modellen.

Een gedetailleerde vergelijking van de voorspellende prestaties van MobileNetV2, InceptionV3, ResNet101, VGG16 en het voorgestelde CARE-MIRV-Net-model is te vinden in Tabel 2. De prestaties werden geëvalueerd met MAE en de R² over vier doelvariabelen: vierkante meters, aantal slaapkamers, aantal badkamers en aantal garages. Deze metrics bieden complementaire metingen van voorspellingsnauwkeurigheid en verklarende prestaties.

Model	Vierkante Meter		Bedden		Baden		Garages
	MAE	R²	MAE	R²	MAE	R²	MAE	R²
MobileNetV2	881.653	0.1327	0.6873	0.3154	0.6552	0.3457	0.3977	0.1133
InceptionV3	464.64	0.6615	0.4353	0.6708	0.3627	0.7459	0.23	0.6351
ResNet101	611.919	0.5872	0.4287	0.6546	0.3838	0.725	0.2298	0.6489
VGG16	504.435	0.7256	0.698	0.3355	0.4995	0.6436	0.197	0.6757
CARE-MIRV-Net (Voorgesteld)	432.488	0.7053	0.4343	0.6837	0.3689	0.7605	0.1697	0.6958

Tabel 2: Prestatievergelijking van basismodellen en CARE-MIRV-Net. Vergelijking van voorspellingsprestaties voor MobileNetV2, InceptionV3, ResNet101, VGG16 en het voorgestelde CARE-MIRV-Net-model over vier architectonische attributen: vierkante meters, aantal slaapkamers, aantal badkamers en aantal garages. De prestaties worden gerapporteerd met behulp van gemiddelde absolute fout (MAE) en de bepalingscoëfficiënt (R²). Lagere MAE-waarden duiden op een lagere voorspellingsfout, terwijl hogere^R2-waarden een sterkere overeenstemming tussen voorspelde en werkelijke waarden aangeven.

De individuele modellen toonden verschillende prestatieniveaus over de doelvariabelen. MobileNetV2 liet de laagste prestaties zien, vooral voor de voorspelling van vierkante meters, met een MAE van 881,6530 en een^R2-waarde van 0,1327. De prestaties voor badkamers en garages waren ook relatief lager, wat wijst op beperkingen in het vastleggen van complexe ruimtelijke relaties wanneer het als zelfstandig model wordt gebruikt.

InceptionV3 toonde sterke prestaties op de meeste doelvariabelen, met name badkamers en slaapkamers, met^R2-waarden van respectievelijk 0,7459 en 0,6708. Deze resultaten suggereren een effectieve vastlegging van multiscale ruimtelijke kenmerken. ResNet101 toonde ook concurrerende prestaties aan door zijn diepe residuele architectuur, die het leren van hiërarchische ruimtelijke representaties mogelijk maakte. De prestaties bleven echter iets lager dan die van InceptionV3 voor sommige variabelen, waaronder de voorspelling van vierkante meters. VGG16 leverde relatief gebalanceerde prestaties over alle doelvariabelen en behaalde de hoogste vierkante meter R^2-waarde (0,7256) onder de individuele modellen.

Het voorgestelde CARE-MIRV-Net framework presteerde beter dan de individuele modellen in de meeste geëvalueerde taken. CARE-MIRV-Net behaalde de laagste vierkante meter MAE (432,488) terwijl het een^R2-waarde van 0,7053 behield. Voor slaapkamervoorspelling behaalde het model een^R2-waarde van 0,6837. Voor badkamervoorspelling behaalde CARE-MIRV-Net de hoogste^R2-waarde (0,7605) van alle geëvalueerde modellen. Evenzo behaalde het model voor garagevoorspelling de laagste MAE (0,1697) en de hoogste^R2-waarde (0,6958). Deze resultaten geven aan dat het meta-ensemble kader effectief de complementaire krachten van de individuele architecturen combineerde. De resultaten suggereren verder dat het integreren van voorspellingen uit meerdere modellen de beperkingen van modelspecifieke beperkingen verminderde en de algehele voorspellende prestaties verbeterde. De bevindingen tonen aan dat CARE-MIRV-Net evenwichtige voorspellende prestaties leverde over alle geëvalueerde doelvariabelen. De op de zorg gerichte residentiële beoordeling die in deze studie wordt gepresenteerd, moet worden geïnterpreteerd als een toepassingsgerichte categorisering afgeleid van het regelgebaseerde besluitvormkader en beschikbare plattegrondkenmerken, in plaats van als een klinisch gevalideerde zorgbeoordeling.

Om de voorspellende prestaties verder te evalueren, werd residuele foutanalyse uitgevoerd voor alle doelvariabelen, waaronder vierkante meters, slaapkamers, badkamers en garages. Residugrafieken geven inzicht in voorspellingsfoutverdelingen door de verschillen tussen voorspelde en waargenomen waarden te tonen. Idealiter zouden residuen willekeurig rond nul verdeeld moeten zijn, wat wijst op beperkte systematische bias en goede generalisatie.

Figuur 8 toont de residuele grafiek voor de voorspelling van vierkante meters. De meeste residuen waren rond nul gegroepeerd, wat wijst op relatief nauwkeurige voorspellingen voor de meerderheid van de monsters. Echter, grotere verspreiding en verschillende uitschieters werden waargenomen bij grotere voorspelde vierkante meters. Deze observaties suggereren dat de voorspellingsvariabiliteit toenam voor grotere woonindelingen.

Figuur 8. Residuele analyse voor het voorspellen van vierkante meters. Scatterplot toont residuele fouten als functie van voorspelde vierkante meterswaarden. De horizontale lijn geeft nul residuele fout aan. Klik hier om een grotere versie van deze figuur te bekijken.

De verdeling van residuen voor slaapkamervoorspelling is weergegeven in Figuur 9. Residuen waren over het algemeen gecentreerd rond nul, waarbij het diagonale patroon de discrete aard van de slaapkamervariabele weerspiegelde. Het relatief smalle residuele bereik wijst op consistente voorspellende prestaties, zonder duidelijke systematische bias. Figuur 10 toont de residugrafiek voor de voorspelling van de badkamer. Residuen bleven rond nul geconcentreerd, maar vertoonden iets grotere verspreiding dan die waargenomen voor slaapkamervoorspelling. Het zichtbare bandpatroon is consistent met de discrete aard van de doelvariabele. Er waren ook verschillende uitschieters aanwezig bij hogere voorspelde waarden.

Figuur 9. Residuele analyse voor slaapkamervoorspelling. Scatterplot dat restfouten toont als functie van voorspelde slaapkamerwaarden. De horizontale lijn geeft nul residuele fout aan. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 10. Residuele analyse voor badkamervoorspelling. Spreidingsgrafiek die residuele fouten toont als functie van voorspelde badkamerwaarden. De horizontale lijn geeft nul residuele fout aan. Klik hier om een grotere versie van deze figuur te bekijken.

De residuele analyse voor garagevoorspelling is weergegeven in Figuur 11. De residuele waarden bleven rond nul geconcentreerd en vertoonden relatief lage variantie ten opzichte van de andere doelvariabelen. Het discrete en beperkte bereik van garagewaarden produceerde duidelijke lineaire patronen binnen het perceel. De smalle residuverdeling suggereert relatief consistente voorspellende prestaties voor deze variabele.

Figuur 11. Residuele analyse voor garagevoorspelling. Scatterplot toont restfouten als functie van voorspelde garagewaarden. De horizontale lijn geeft nul residuele fout aan. Klik hier om een grotere versie van deze figuur te bekijken.

Over het algemeen geven de residuele analyses aan dat CARE-MIRV-Net voorspellingen genereerde die over het algemeen rond nul waren gecentreerd over alle doelvariabelen. Hoewel er enige variabiliteit en uitschieters werden waargenomen, vooral voor de voorspelling van vierkante meters, ondersteunen de algehele residuele verdelingen de consistentie van de voorspellende prestaties van het model over de geëvalueerde dataset.

Resultaten van verklaarbare AI-analyse met SHAP

Om de interpreteerbaarheid van het voorgestelde CARE-MIRV-Net framework te verbeteren, werd een verklaarbare AI-benadering geïntegreerd met SHAP. SHAP is een speltheoretische methode die modelvoorspellingen verklaart door feature-importance-waarden toe te wijzen op basis van Shapley-waarden. Wanneer toegepast op het voorgestelde meta-ensemble model, werd SHAP gebruikt om de bijdrage van elk basismodel aan de uiteindelijke output van de meta-leerling te onderzoeken. De input voor het meta-model bestond uit samengevoegde voorspellingen van vier basismodellen—InceptionV3, MobileNetV2, ResNet101 en VGG16—wat resulteerde in een 16-dimensionale featureruimte. Elke eigenschap vertegenwoordigde een voorspeld architectonisch kenmerk (vierkante meters, slaapkamers, badkamers of garages) dat werd gegenereerd door een specifiek basismodel. De interpretatie van deze kenmerken werd uitgevoerd door een willekeurig gekozen subset van de meta-trainingsdata als achtergrondverdeling te selecteren en een kleinere subset testmonsters voor uitleggeneratie om de computationele efficiëntie te verbeteren.

Er werden single-output versies van het metamodel gemaakt om featurebijdragen voor elke doelvariabele onafhankelijk te isoleren en te analyseren. De SHAP KernelExplainer werd toegepast zoals eerder beschreven en in Supplementair Bestand 1 om featurebijdragen te schatten en de voorspellingen van het voorgestelde framework te interpreteren. Deze waarden werden gebruikt om te kwantificeren in hoeverre elke voorspelling van het basismodel positief of negatief bijdroeg aan de uiteindelijke output. Op basis van de SHAP-analyse vertrouwde CARE-MIRV-Net niet uitsluitend op één enkele basisleerling, maar kende het verschillende niveaus van belang toe aan verschillende modellen, afhankelijk van de doelvariabele en inputkenmerken. Deze observaties geven aan dat de stacking-based ensemble-benadering complementaire informatie uit meerdere basismodellen gebruikte.

Figuren 12–15 tonen SHAP-samenvattingsgrafieken voor de vier doelvariabelen: vierkante meters, slaapkamers, badkamers en garages. Deze grafieken geven inzicht in hoe het CARE-MIRV-Net metamodel voorspellingen van de individuele basisleerlingen gebruikte. In elke grafiek stelt de horizontale as SHAP-waarden (feature-bijdragen) voor, terwijl de kleurenschaal de feature-grootte van laag tot hoog aangeeft.

Figuur 12. SHAP-samenvattingsgrafiek voor vierkante meters-voorspelling. SHAP-samenvattingsgrafiek die de bijdrage toont van basismodelvoorspellingen aan de schatting van vierkante meters door de CARE-MIRV-Net meta-learner. Kenmerken worden gerangschikt op belangrijkheid. De puntkleur geeft de waarde van het kenmerk aan, en de horizontale positie geeft de bijdrage van SHAP aan de voorspelling aan. SHAP, SHapley Additieve verklaringen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 13. SHAP samenvattingsplot voor slaapkamervoorspelling. SHAP-samenvattingsgrafiek die de bijdrage van basismodelvoorspellingen aan slaapkamerschatting door de CARE-MIRV-Net meta-learner toont. Kenmerken worden gerangschikt op belangrijkheid. De puntkleur geeft de waarde van het kenmerk aan, en de horizontale positie geeft de bijdrage van SHAP aan de voorspelling aan. SHAP, SHapley Additieve verklaringen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 14. SHAP samenvattingsplot voor badkamervoorspelling. SHAP-samenvattingsgrafiek die de bijdrage van basismodelvoorspellingen aan de toiletschatting door de CARE-MIRV-Net meta-learner toont. Kenmerken worden gerangschikt op belangrijkheid. De puntkleur geeft de waarde van het kenmerk aan, en de horizontale positie geeft de bijdrage van SHAP aan de voorspelling aan. SHAP, SHapley Additieve verklaringen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 15. SHAP-samenvattingsplot voor garagevoorspelling. SHAP-samenvattingsgrafiek toont de bijdrage van basismodelvoorspellingen aan garageschatting door de CARE-MIRV-Net meta-learner. Kenmerken worden gerangschikt op belangrijkheid. De puntkleur geeft de waarde van het kenmerk aan, en de horizontale positie geeft de bijdrage van SHAP aan de voorspelling aan. SHAP, SHapley Additieve verklaringen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 12 toont de SHAP-samenvatting voor de voorspelling van vierkante meters. Kenmerken zoals Mob_SF, Res_SF en Inc_SF leverden relatief grotere SHAP-bijdragen dan andere kenmerken, wat aangeeft dat voorspellingen van MobileNetV2, ResNet101 en InceptionV3 aanzienlijk bijdroegen aan de schatting van de vierkante meters. Hogere feature-waarden (rood) gingen over het algemeen samen met een toename van voorspelde vierkante meters, terwijl lagere feature-waarden (blauw) geassocieerd werden met lagere voorspellingen. Slaapkamer- en badkamergerelateerde kenmerken leverden relatief kleinere bijdragen op, wat aangeeft dat de voorspelling van vierkante meters voornamelijk werd beïnvloed door oppervlakte-gerelateerde voorspellingen van de basismodellen.

Figuur 13 toont de SHAP-analyse voor slaapkamervoorspelling. Kenmerken zoals Res_Beds, VGG_Beds en Inc_Beds leverden relatief hogere bijdragen op dan andere kenmerken, wat aangeeft dat voorspellingen van ResNet101, VGG16 en InceptionV3 invloedrijk waren bij het bepalen van de uiteindelijke slaapkamervoorspelling. SHAP-waarden waren verdeeld rond nul, wat suggereert dat het metamodel informatie uit meerdere bronnen integreerde in plaats van te vertrouwen op één dominante voorspeller. Kenmerken met betrekking tot garages en vierkante meters leverden relatief kleinere bijdragen op.

Figuur 14 toont de SHAP-samenvatting voor de badkamervoorspelling. Kenmerken zoals VGG_Baths, Inc_Baths en Mob_Baths toonden relatief hoge bijdragen, wat aangeeft dat voorspellingen van VGG16, InceptionV3 en MobileNetV2 aanzienlijk bijdroegen aan de schatting van het toilet. De verdeling van SHAP-waarden suggereert dat verhoogde voorspellingen uit deze basismodellen geassocieerd waren met een grotere invloed op de uiteindelijke voorspelling. Bijdragen leken breder verdeeld over modellen dan voor sommige andere doelvariabelen.

Figuur 15 toont de SHAP-analyse voor garagevoorspelling. Kenmerken zoals Mob_Garages, Inc_Garages en VGG_Garages leverden relatief sterke bijdragen aan de uiteindelijke voorspelling. De grafiek toont aan dat garage-gerelateerde voorspellingen van meerdere basismodellen bijdroegen aan de uiteindelijke output, met een duidelijke scheiding tussen bijdragen van lagere en hogere functies. De bredere verspreiding van SHAP-waarden suggereert een verhoogde gevoeligheid van het metamodel voor garage-gerelateerde voorspellingskenmerken.

Al met al toonde de SHAP-analyse aan dat het voorgestelde CARE-MIRV-Net-framework bijdragen van meerdere basisleerlingen integreerde bij het genereren van definitieve voorspellingen. De resultaten bieden een interpreteerbaar beeld van de relatieve invloed van individuele modelvoorspellingen over de vier architecturale doelvariabelen en ondersteunen het begrip van het meta-ensemble besluitvormingsproces.

Resultaten van de classificatie van de woonindeling

Vertegenwoordigende voorbeelden van de classificatie van de woningindeling zijn te zien in Figuren 16–18. Deze voorbeelden illustreren de toepassing van de regelgebaseerde beslissingslaag op de architecturale attributen die door het CARE-MIRV-Net-framework worden voorspeld. Figuur 16 toont een voorbeeld geclassificeerd als een indeling van medische zorg, Figuur 17 een voorbeeld als een algemene woonindeling, en Figuur 18 een voorbeeld als een indeling van ouderenzorg. De voorbeelden tonen aan hoe voorspelde architecturale attributen worden vertaald naar residentiële categorieën op applicatieniveau via de vooraf gedefinieerde beslissingsregels zoals beschreven in de sectie Protocol. Deze voorbeelden moeten worden geïnterpreteerd als illustratieve uitkomsten van het regelgebaseerde classificatiekader dat is afgeleid van de voorspelde floor-plan-attributen en vooraf gedefinieerde beslissingscriteria, in plaats van als onafhankelijk gevalideerde klinische of zorgclassificaties.

Figuur 16. Representatief voorbeeld geclassificeerd als een residentiële indeling voor medische zorg. Voorbeeld van een residentiële plattegrond, geëvalueerd door het voorgestelde kader en toegewezen aan de categorie medische zorg op basis van de voorspelde architectonische kenmerken en op regels gebaseerde classificatiecriteria. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 17. Representatief voorbeeld geclassificeerd als een algemene woonindeling. Voorbeeld van een residentiële plattegrondafbeelding geëvalueerd door het voorgestelde kader en toegewezen aan de algemene residentiële categorie op basis van de voorspelde architectonische kenmerken en op regels gebaseerde classificatiecriteria. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 18. Representatief voorbeeld geclassificeerd als een residentiële indeling voor ouderenzorg. Voorbeeld van een residentiële plattegrondafbeelding, geëvalueerd door het voorgestelde kader en toegewezen aan de categorie ouderenzorg op basis van de voorspelde architectonische kenmerken en op regels gebaseerde classificatiecriteria. Klik hier om een grotere versie van deze figuur te bekijken.

Een representatief voorbeeld in Figuur 16 toont aan dat het model een oppervlakte van 2233,16 vierkante meter voorspelde vergeleken met de werkelijke waarde van 2268,00, wat wijst op een relatief kleine voorspellingsfout. Evenzo lagen de voorspelde waarden voor slaapkamers (3,23 vs. 3), badkamers (2,65 vs. 2) en garages (1,11 vs. 1) dicht bij de overeenkomstige grondwaarheidswaarden. Op basis van deze voorspelde eigenschappen categoriseerde de regelgebaseerde beslissingslaag de lay-out als medische zorg. Dit voorbeeld illustreert hoe het framework voorspelde architecturale attributen toepast om residentiële classificaties op applicatieniveau te genereren.

Een tweede voorbeeld in Figuur 17 toont een indeling die als algemeen woongebruik wordt geclassificeerd. De voorspelde vierkante meters (1692,76) was lager dan de werkelijke waarde (1879,00), terwijl het voorspelde aantal slaapkamers, badkamers en garages dicht bij de overeenkomstige grondwaarheidswaarden bleven. Op basis van de voorspelde architectonische eigenschappen wees de beslissingslaag de indeling toe aan de algemene residentiële categorie. Dit voorbeeld toont de toepassing van het classificatiekader op een matig grote woonindeling, ondanks kleine afwijkingen in individuele voorspellingen.

Figuur 18 toont een compacte woonindeling met een daadwerkelijke oppervlakte van 981,00 vierkante meter en een voorspelde oppervlakte van 1076,17. De voorspelde waarden voor slaapkamers (1,99 vs. 2), badkamers (1,75 vs. 2) en garages (0,98 vs. 1) lagen ook dicht bij de overeenkomstige grondwaarheidswaarden. Op basis van deze voorspelde eigenschappen categoriseerde de beslissingslaag de indeling als ouderenzorg. Dit voorbeeld illustreert de toepassing van de vooraf gedefinieerde classificatieregels op indelingen die worden gekenmerkt door kleinere vloeroppervlakken en minder kamers.

Over het geheel genomen tonen de representatieve voorbeelden de integratie van architecturale attribuutvoorspelling en regelgebaseerde residentiële indeling binnen het CARE-MIRV-Net kader. In de voorbeelden in Figuren 16–18 waren de voorspelde architectonische attributen over het algemeen consistent met de bijbehorende grondwaarheidswaarden, wat het gebruik van het voorgestelde kader voor geautomatiseerde analyse van residentiële plattegronden en classificatie op applicatieniveau ondersteunde.

Beschikbaarheid van gegevens:

De dataset die in deze studie is gebruikt, is openbaar beschikbaar via de Kaggle-repository²⁸, getiteld "Floor Plan Images and Their Details," en is toegankelijk op: https://www.kaggle.com/datasets/adilmohammed/floor-plan-images-and-their-details. Alle analyses die in deze studie worden gerapporteerd, zijn uitgevoerd met gegevens verkregen van deze publiek toegankelijke bron. De broncode, implementatiedocumentatie en omgevingsconfiguratie-informatie die nodig zijn om de gerapporteerde resultaten te reproduceren, worden verstrekt in Aanvullend Bestand 1.

Aanvullend dossier 1. CARE-MIRV-Net implementatiepakket. Dit bestand bevat de broncode, README-documentatie, specificaties van softwareafhankelijkheid, omgevingsinformatie en implementatiescripts die nodig zijn om de CARE-MIRV-Net workflow te reproduceren. Klik hier om dit bestand te downloaden.

Aanvullend dossier 2. Algoritme voor CARE-MIRV-Net residentiële plattegrondanalyse. Dit bestand biedt Algoritme 1, inclusief de data-preprocessing, basismodelvoorspelling, meta-feature concatenatie, meta-ensemble voorspelling, beslissingslag-classificatie, SHAP-gebaseerde verklaarbaarheid en evaluatie-metriek workflow die in het onderzoek worden gebruikt. Klik hier om dit bestand te downloaden.

Discussie

Deze studie presenteert CARE-MIRV-Net, een stapelgebaseerd meta-ensemble DL-framework voor de geautomatiseerde analyse van woningplattegrondafbeeldingen. Het framework integreert vier complementaire CNN-architecturen—MobileNetV2, InceptionV3, ResNet101 en VGG16—om belangrijke architectonische kenmerken te voorspellen, waaronder vierkante meters, aantal slaapkamers, badkamers en garages. Deze voorspellingen worden vervolgens gecombineerd via een meta-learner en gebruikt binnen een regelgebaseerde beslissingslaag om residentiële indelingen te categoriseren in ouderenzorg, medische zorg of algemene residentiële categorieën. De integratie van voorspellende modellering, ensemble learning en verklaarbare AI biedt een uniform kader voor de analyse van residentiële plattegronden 3,7,17,20.

De representatieve resultaten tonen aan dat CARE-MIRV-Net verbeterde voorspellende prestaties behaalde ten opzichte van de individuele basismodellen over meerdere architecturale attributen. Het ensemble-framework verminderde over het algemeen voorspellingsfouten en verbeterde de^R2, wat suggereert dat het combineren van heterogene CNN-architecturen de voorspellende robuustheid^{kan verbeteren 12,20}. Daarnaast maakte de integratie van SHAP interpretatie mogelijk van de relatieve bijdragen van de individuele basismodellen aan de uiteindelijke voorspellingen, waardoor de transparantie van het model^{toenam 11,17}. Het kader kan daarom een nuttige benadering bieden voor studies die zowel voorspellende prestaties als modelinterpreteerbaarheid vereisen.

Het voorgestelde kader kan bijdragen aan de vooruitgang van onderzoek dat geautomatiseerde architecturale analyse, residentiële ontwerpbeoordeling en datagedreven besluitvormingssystemen omvat. Door multioutputvoorspelling te integreren met categorisatie op applicatieniveau, gaat het kader verder dan traditionele plattegrondherkenning of feature-extractiemethoden. De methodologie kan toepasbaar zijn in studies over residentiële planning, slimme woonomgevingen en ruimtelijke indeling 1,2,8,22. Er moeten echter verschillende beperkingen worden overwogen. Ten eerste werd het framework ontwikkeld en geëvalueerd met behulp van één publiek beschikbare dataset, en externe validatie op onafhankelijke datasets werd niet uitgevoerd. Er werd geen externe validatie uitgevoerd in de huidige studie, en modelevaluatie werd uitgevoerd met behulp van de aangewezen testsubset afkomstig van de openbaar beschikbare dataset. Ten tweede zijn de residentiële categorieën die door het kader worden gegenereerd afgeleid van vooraf gedefinieerde regelgebaseerde criteria in plaats van onafhankelijk gevalideerde zorgontwerplabels. De categorieën ouderenzorg, medische zorg en algemene residentiële functies die door het kader worden gegenereerd, zijn afgeleid van vooraf gedefinieerde regelgebaseerde criteria en mogen niet worden geïnterpreteerd als klinisch gevalideerde beoordelingen van het ontwerp van de gezondheidszorg. Ten derde is het kader voornamelijk gebaseerd op architectonische kenmerken die zijn afgeleid van plattegrondafbeeldingen en bevat het geen zorgspecifieke ontwerpstandaarden, toegankelijkheidscriteria of op de gebruiker gerichte uitkomstmaten. Er werden geen formele normen voor toegankelijkheid, zorgontwerp of residentieel ontwerp gebruikt om de classificatieregels te definiëren. In plaats daarvan werd het categorisatiekader ontwikkeld met behulp van de beschikbare plattegrondattributen en toepassingsgerichte beslissingscriteria. Toekomstig werk kan externe validatie van onafhankelijke datasets omvatten, het opnemen van formele toegankelijkheids- en zorgontwerpstandaarden, en evaluatie met behulp van aanvullende ontwerp- en bewonergerichte uitkomstmaten om de toepasbaarheid en generaliseerbaarheid van het kader verder te vergroten.

Alternatieve benaderingen kunnen ook worden gebruikt om dezelfde hypothese te onderzoeken. Zo kunnen transformer-gebaseerde visiemodellen, grafgebaseerde ruimtelijke representaties of hybride DL-architecturen worden toegepast om ruimtelijke relaties binnen woonindelingen vast te leggen 13,15,19. Evenzo kunnen classificatiekaders op basis van door experts gelabelde datasets of gezondheidszorgontwerpstandaarden alternatieve methoden bieden voor residentiële indeling ^8,22. Hoewel deze methoden complementaire voordelen kunnen bieden, toont het voorgestelde CARE-MIRV-Net framework de haalbaarheid aan van het combineren van meerdere CNN-architecturen binnen een stapelgebaseerd ensemble-framework voor multioutput-voorspelling en categorisering van residentiële indelingen.

Toekomstig werk kan zich richten op het uitbreiden van het kader om geavanceerder ruimtelijk redeneren en bredere toepasbaarheid in de praktijk te ondersteunen. Mogelijke richtingen zijn onder meer de integratie van grafgebaseerde plattegrondrepresentaties om kamerconnectiviteit te modelleren, de evaluatie van vision transformer (ViT)-gebaseerde architecturen voor feature-extractie, en de ontwikkeling van multiclass- of multilabelclassificatiestrategieën 13,15,18. Daarnaast kunnen toekomstige studies zorgspecifieke ontwerpattributen, toegankelijkheidsnormen en onafhankelijke validatiedatasets bevatten om de toepasbaarheid van het kader in zorggerichte woonomgevingen verder te beoordelen ^8,22. Het kader kan ook worden aangepast voor integratie binnen slimme stadsplatforms en besluitvormingsondersteunende systemen voor residentiële planning ^1,2.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CARE-MIRV-Net implementatiepakket	Aanvullend Bestand 1	Versie 1.0	N/A
Scripts voor het opnieuw genereren van figuren en tabellen	Aanvullend Bestand 1	Versie 1.0	N/A
Plattegrondbeelden en hun details dataset	Kaggle	Openbare dataset	N/A
GPU	NVIDIA Corporation	Tesla T4 × 2	N/A
Intel Xeon Processor	Intel Corporation	2,20 GHz	N/A
Keras	Keras Team	Versie 3.13.2	N/A
Matplotlib	Matplotlib Ontwikkelingsteam	Versie 3.9	RRID:SCR_008624
NumPy	NumPy Ontwikkelaars	Versie 2.4.6	RRID:SCR_008633
Besturingssysteem	Linux	Ubuntu 22.04 LTS	N/A
Pandas	Pandas Ontwikkelings Team	Versie 2.3.3	RRID:SCR_018214
Python	Python Software Foundation	Versie 3.12.12	RRID:SCR_008394
Scikit-learn	Scikit-learn Ontwikkelaars	Versie 1.6.1	RRID:SCR_002577
SHAP	SHAP Ontwikkelings Team	Versie 0.51.0	N/A
Systeemgeheugen (RAM)	Cloud Computing Omgeving	31 GB	N/A
TensorFlow	Google	Versie 2.19.0	RRID:SCR_016345
Trainingsomgeving configuratiebestand	Aanvullend Bestand 1	Versie 1.0	N/A